CN110427278A - 异常检测方法和装置 - Google Patents

异常检测方法和装置 Download PDF

Info

Publication number
CN110427278A
CN110427278A CN201910705294.0A CN201910705294A CN110427278A CN 110427278 A CN110427278 A CN 110427278A CN 201910705294 A CN201910705294 A CN 201910705294A CN 110427278 A CN110427278 A CN 110427278A
Authority
CN
China
Prior art keywords
kpi
vector
data center
abnormal
absence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910705294.0A
Other languages
English (en)
Inventor
葛峥
赵琪琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN201910705294.0A priority Critical patent/CN110427278A/zh
Publication of CN110427278A publication Critical patent/CN110427278A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供了一种异常检测方法，该方法包括：针对数据中心，确定多个关键绩效指标KPI；采集多个KPI在当前时刻的KPI值；基于采集到的KPI值，确定对应的KPI向量，KPI向量的每个维度与多个KPI中的每个一一对应；以及基于KPI向量确定数据中心是否存在异常。本公开还提供了一种异常检测装置、一种电子设备以及一种计算机可读存储介质。

Description

异常检测方法和装置
技术领域
本公开涉及计算机技术领域，特别是涉及一种异常检测方法和装置。
背景技术
数据中心，尤其是金融行业的数据中心一般承担着相当重要的角色。因此数据中心异常检测显得尤为必要。目前，相关技术中只能通过单个关键绩效指标(KeyPerformance Indicator，简称KPI)来分析数据中心是否存在异常，无法整体判断数据中心是否异常。
发明内容
本公开的一个方面提供了一种异常检测方法，包括：针对数据中心，确定多个关键绩效指标KPI；采集所述多个KPI在当前时刻的KPI值；基于采集到的KPI值，确定对应的KPI向量，所述KPI向量的每个维度与所述多个KPI中的每一个一一对应；以及基于所述KPI向量确定所述数据中心是否存在异常。
可选地，所述基于所述KPI向量确定所述数据中心是否存在异常，包括：获取多个KPI历史向量，每个KPI历史向量为通过采集所述多个KPI在对应历史时刻的KPI值而确定的；以及基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否村子啊异常。
可选地，所述基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常，包括：通过计算所述KPI向量与所述多个KPI历史向量中每个向量之间的欧式距离来确定所述数据中心是否存在异常。
可选地，所述基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常，包括：通过确定所述KPI向量和所述多个KPI历史向量在多维空间中的分布状态来确定所述数据中心是否存在异常。
可选地，所述方法还包括：如果确定所述数据中心存在异常，则根据所述KPI向量中的每个维度，确定所述多个KPI中的异常KPI。
本公开的另一个方面提供了一种异常检测装置，包括：第一确定模块，用于针对数据中心，确定多个关键绩效指标KPI；采集模块，用于采集所述多个KPI在当前时刻的KPI值；第二确定模块，用于基于采集到的KPI值，确定对应的KPI向量，所述KPI向量的每个维度与所述多个KPI中的每一个一一对应；以及第三确定模块，用于基于所述KPI向量确定所述数据中心是否存在异常。
可选地，所述第三确定模块包括：获取单元，用于获取多个KPI历史向量，每个KPI历史向量为通过采集所述多个KPI在对应历史时刻的KPI值而确定的；以及确定单元，用于基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常。
可选地，所述确定单元还用于：通过计算所述KPI向量与所述多个KPI历史向量中每个向量之间的欧式距离来确定所述数据中心是否存在异常。
本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现根据本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现根据本公开实施例的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现根据本公开实施例的方法。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开实施例的适于异常检测方法和装置的系统架构；
图2示意性示出了根据本公开实施例的异常检测方法的流程图；
图3示意性示出了根据本公开实施例的基于KPI向量确定数据中心是否异常的流程图；
图4示意性示出了根据本公开实施例的异常检测装置的框图；以及
图5示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种异常检测方法以及能够应用该方法的异常检测装置。该方法包括针对数据中心，确定多个关键绩效指标KPI；采集该多个KPI在当前时刻的KPI值；基于采集到的KPI值，确定对应的KPI向量，该KPI向量的每个维度与该多个KPI中的每一个一一对应；以及基于该KPI向量确定该数据中心是否存在异常。
图1示意性示出了根据本公开实施例的适于异常检测方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，该系统架构100包括：数据中心101和监控设备102。
对于金融行业而言，一个数据中心101通常可以包括多个服务器、多个数据库等。每个服务器通常可以包括一个或者多个CPU和多个IO。每个数据库通常也可以包括多个IO。因此影响一个数据中心的性能的KPI通常包括多个，只检测其中任何一个KPI都难以从整体上判断该数据中心是否存在异常。
针对一个数据中心，本公开实施例通过设置监控设备102来监听多个KPI(可以包括所有KPI)，以从整体上判断该数据中心是否存在异常。
需要说明的是，在本公开实施例中，监控设备102可以包括一个服务器或者一个客户端，或者可以包括一个服务器集群或者一个客户端集群，在此不做限定。
以下将参考附图并结合具体实施例详细阐述本公开。
图2示意性示出了根据本公开实施例的异常检测方法的流程图。
如图2所示，该方法包括操作S210～S240。
在操作S210，针对数据中心，确定多个关键绩效指标KPI。
具体地，对于一个数据中心而言，可以将影响该数据中心性能的所有指定都作为用于检测该数据中心是否存在异常的KPI。或者，还可以只将影响该数据中心性能的关键指定作为用于检测该数据中心是否存在异常的KPI。
例如，如果一个数据中心包括5个服务器和3个数据库，且每个服务器都具有2个CPU以及N个IO，每个数据库都具有M个IO。对此，在本公开实施例中，可以将(2×5)个CPU、(5N+3M)个IO、以及3个数据库的存储空间作为用于检测该数据中心是否存在异常的KPI。其中，M、N为整数。
接下来，在操作S220，采集多个KPI在当前时刻的KPI值。
具体地，在本公开实施例中，可以通过监控设备实时监听数据中心，以采集多个KPI在对应时刻的KPI值。
然后，在操作S230，基于采集到的KPI值，确定对应的KPI向量，KPI向量的每个维度与多个KPI中的每一个一一对应。
具体地，在本公开实施例中，如果选择监听K个KPI来判断数据中心是否存在异常，则对于每个时刻而言，可以将采集到的K个KPI值转换为一个K维的KPI向量。其中，K为整数。并且这个KPI向量的每个维度对应于一个KPI。
再然后，在操作S240，基于KPI向量确定数据中心是否存在异常。
具体地，在本公开实施例，在得到当前时刻的KPI向量后，可以通过以下方式确定数据中心是否存在异常。
方式1，可以在相应的多维空间中画出该KPI向量和各历史时刻的KPI向量，然后通过比较该KPI向量与各历史时刻的KPI向量之间的状态分布来确定该数据中心是否存在异常。如果当前时刻的KPI向量的终点与各历史时刻的KPI向量的各终点中分布比较紧密的终点(如能够构成点的团簇的终点)比较靠近，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。
方式2，可以在相应的多维空间中画出该KPI向量对应的坐标点以及各历史时刻的KPI向量对应的所有坐标点，然后判断与当前时刻对应的KPI向量一一对应的坐标点是否在与各历史时刻的KPI向量对应的所有坐标点的密集区域内。其中，如果与当前时刻的KPI向量对应的坐标点在与各历史时刻的KPI向量对应的所有坐标点的密集区域内，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。
方式3，可以计算当前时刻的KPI向量与各历史时刻的KPI向量中的每个之间的欧式距离来确定数据中心是否存在异常。例如，如果当前时刻的KPI向量与X个历史时刻的KPI向量之间的欧式距离小于预先设置的距离阈值，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。其中，X为整数。
通过本公开实施例，可以通过实时监听多个KPI(可以包括所有KPI)，实现从整体上判断该数据中心是否存在异常的目的。
图3示意性示出了根据本公开实施例的基于KPI向量确定数据中心是否异常的流程图。
如图3所示，操作S240基于KPI向量确定数据中心是否存在异常例如可以包括以下操作S310～S320。
在操作S310，获取多个KPI历史向量，每个KPI历史向量为通过采集多个KPI在对应历史时刻的KPI值而确定的。
应该理解，在本公开实施例中，实现操作S310与实现操作S220～操作S230的技术手段相同或类似，在此不再赘述。
接下来，在操作S320，基于KPI向量和多个KPI历史向量确定数据中心是否存在异常。
在本公开实施例中，在实现操作S310时，具体可以采用上述实施方式(即方式1～方式3)中的一种或者几种来实现，在此不再赘述。
通过本公开实施例，针对监控多个KPI的情况，可以每个时刻的多个KPI值转换成一个KPI向量，然后基于这些向量进行计算或分析，以确定数据中心是否存在异常。作为一种可选的实施例，基于KPI向量和多个KPI历史向量确定数据中心是否存在异常例如可以包括以下操作。通过计算KPI向量与多个KPI历史向量中每个向量之间的欧式距离来确定数据中心是否存在异常。
具体地，在本公开实施例中，可以计算当前时刻的KPI向量与各历史时刻的KPI向量中的每个之间的欧式距离。如果当前时刻的KPI向量与已有历史时刻的KPI向量中的X个历史时刻的KPI向量之间的欧式距离小于预先设置的距离阈值，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。
作为一种可选的实施例，基于KPI向量和多个KPI历史向量确定数据中心是否存在异常例如可以包括以下操作。通过确定KPI向量和多个KPI历史向量在多维空间中的分布状态来确定数据中心是否存在异常。
具体地，在本公开实施例中，可以在相应的多维空间中画出当前时刻的KPI向量和已有的各历史时刻的KPI向量，然后通过比较该当前时刻的KPI向量与该各历史时刻的KPI向量中的每个之间的状态分布来确定该数据中心是否存在异常。例如，如果该当前时刻的KPI向量的终点与该各历史时刻的KPI向量的各终点中分布比较紧密的终点(如能够构成点的团簇的终点)比较靠近，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。
作为一种可选的实施例，该方法例如还可以包括如下操作。如果确定数据中心存在异常，则根据KPI向量中的每个维度，确定多个KPI中的异常KPI。
具体地，如果根据当前时刻的KPI向量确定对应的数据中心存在异常，则进一步根据该KPI向量中的每个维度，确定用于构成该KPI向量的多个KPI中的异常KPI。更具体地，可以将该KPI向量中每个维度上的KPI值与对应的阈值比较。如果某个或者某几个维度上的KPI值超出与之对应的阈值，则确定这个或者这几个维度上的KPI存在异常。否则，确定这个或者这几个维度上的KPI不存在异常。
以下将结合具体实施例详细阐述本公开。
例如，如果一个数据中心包括5个服务器和3个数据库，且每个服务器都具有2个CPU以及N个IO，每个数据库都具有M个IO。对此，在本公开实施例中，可以将(2×5)个CPU、(5N+3M)个IO、以及3个数据库的存储空间作为用于检测该数据中心是否存在异常的KPI。其中，M、N为整数。并由此得到一个(13+5N-+-3M)维的KPI向量。然后，根据本公开实施例可以实时检测这个(13+5N+3M)维的KPI向量在每个维度上的KPI值，并计算当前时刻t0对应的KPI向量与历史时刻t1～tn对应的KPI向量中的每个之间的欧式距离，从而根据计算结果确定当前时刻t0对应的KPI向量的终点是否在历史时刻t1～tn对应的KPI向量的终点的密集区域。如果在，则确定该数据中心不存在异常。否则，确定该数据中心存在异常。
图4示意性示出了根据本公开实施例的异常检测装置的框图。
如图4所示，该异常检测装置400例如可以包括第一确定模块401、采集模块402、第二确定模块403和第三确定模块404。该异常检测装置可以执行上面参考方法实施例部分描述的方法，在此不再赘述。
具体地，第一确定模块401例如可以用于针对数据中心，确定多个关键绩效指标KPI。
采集模块402例如可以用于采集多个KPI在当前时刻的KPI值。
第二确定模块403例如可以用于基于采集到的KPI值，确定对应的KPI向量，KPI向量的每个维度与多个KPI中的每一个一一对应。
第三确定模块404例如可以用于基于KPI向量确定数据中心是否存在异常。
通过本公开实施例，可以通过实时监听多个KPI(可以包括所有KPI)，实现从整体上判断该数据中心是否存在异常的目的。
作为一种可选的实施例，第三确定模块例如可以包括：获取单元和确定单元。
获取单元例如可以用于获取多个KPI历史向量，每个KPI历史向量为通过采集多个KPI在对应历史时刻的KPI值而确定的。
确定单元例如可以用于基于KPI向量和多个KPI历史向量确定数据中心是否存在异常。
通过本公开实施例，针对监控多个KPI的情况，可以每个时刻的多个KPI值转换成一个KPI向量，然后基于这些向量进行计算或分析，以确定数据中心是否存在异常。作为一种可选的实施例，确定单元例如还可以用于通过计算KPI向量与多个KPI历史向量中每个向量之间的欧式距离来确定数据中心是否存在异常。
需要说明的是，装置部分的实施例方式与方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，在此不再赘述。
根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一确定模块401、采集模块402、第二确定模块403和第三确定模块404中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一确定模块401、采集模块402、第二确定模块403和第三确定模块404中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块401、采集模块402、第二确定模块403和第三确定模块404中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图5示意性示出了根据本公开实施例的电子设备的框图。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500包括处理器510、计算机可读存储介质520。该电子设备500可以执行根据本公开实施例的方法。
具体地，处理器510例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器510还可以包括用于缓存用途的板载存储器。处理器510可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质520，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。
计算机可读存储介质520可以包括计算机程序521，该计算机程序521可以包括代码/计算机可执行指令，其在由处理器510执行时使得处理器510执行根据本公开实施例的方法或其任何变形。
计算机程序521可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序521中的代码可以包括一个或多个程序模块，例如包括521A、模块521B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器510执行时，使得处理器510可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例，第一确定模块401、采集模块402、第二确定模块403和第三确定模块404中的至少一个可以实现为参考图5描述的计算机程序模块，其在被处理器510执行时，可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种异常检测方法，包括：
针对数据中心，确定多个关键绩效指标KPI；
采集所述多个KPI在当前时刻的KPI值；
基于采集到的KPI值，确定对应的KPI向量，所述KPI向量的每个维度与所述多个KPI中的每一个一一对应；以及
基于所述KPI向量确定所述数据中心是否存在异常。
2.根据权利要求1所述的方法，其中，所述基于所述KPI向量确定所述数据中心是否存在异常，包括：
获取多个KPI历史向量，每个KPI历史向量为通过采集所述多个KPI在对应历史时刻的KPI值而确定的；以及
基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常。
3.根据权利要求2所述的方法，其中，所述基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常，包括：
通过计算所述KPI向量与所述多个KPI历史向量中每个向量之间的欧式距离来确定所述数据中心是否存在异常。
4.根据权利要求2所述的方法，其中，所述基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常，包括：
通过确定所述KPI向量和所述多个KPI历史向量在多维空间中的分布状态来确定所述数据中心是否存在异常。
5.根据权利要求1所述的方法，其中，所述方法还包括：
如果确定所述数据中心存在异常，则根据所述KPI向量中的每个维度，确定所述多个KPI中的异常KPI。
6.一种异常检测装置，包括：
第一确定模块，用于针对数据中心，确定多个关键绩效指标KPI；
采集模块，用于采集所述多个KPI在当前时刻的KPI值；
第二确定模块，用于基于采集到的KPI值，确定对应的KPI向量，所述KPI向量的每个维度与所述多个KPI中的每个一一对应；以及
第三确定模块，用于基于所述KPI向量确定所述数据中心是否存在异常。
7.根据权利要求6所述的装置，其中，所述第三确定模块包括：
获取单元，用于获取多个KPI历史向量，每个KPI历史向量为通过采集所述多个KPI在对应历史时刻的KPI值而确定的；以及
确定单元，用于基于所述KPI向量和所述多个KPI历史向量确定所述数据中心是否存在异常。
8.根据权利要求7所述的装置，其中，所述确定单元还用于：
通过计算所述KPI向量与所述多个KPI历史向量中每个向量之间的欧式距离来确定所述数据中心是否存在异常。
9.一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至5中任一项所述的方法。
CN201910705294.0A 2019-07-31 2019-07-31 异常检测方法和装置 Pending CN110427278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910705294.0A CN110427278A (zh) 2019-07-31 2019-07-31 异常检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910705294.0A CN110427278A (zh) 2019-07-31 2019-07-31 异常检测方法和装置

Publications (1)

Publication Number Publication Date
CN110427278A true CN110427278A (zh) 2019-11-08

Family

ID=68413686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910705294.0A Pending CN110427278A (zh) 2019-07-31 2019-07-31 异常检测方法和装置

Country Status (1)

Country Link
CN (1) CN110427278A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506637A (zh) * 2020-06-17 2020-08-07 北京必示科技有限公司 一种基于kpi指标的多维异常检测方法、装置及存储介质
CN111767202A (zh) * 2020-07-08 2020-10-13 中国工商银行股份有限公司 异常检测方法、装置、电子设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180024875A1 (en) * 2016-07-20 2018-01-25 International Business Machines Corporation Anomaly detection in performance management
US20190057197A1 (en) * 2017-08-15 2019-02-21 Cognant Llc Temporal anomaly detection system and method
CN110032490A (zh) * 2018-12-28 2019-07-19 中国银联股份有限公司 用于检测系统异常的方法及其装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180024875A1 (en) * 2016-07-20 2018-01-25 International Business Machines Corporation Anomaly detection in performance management
US20190057197A1 (en) * 2017-08-15 2019-02-21 Cognant Llc Temporal anomaly detection system and method
CN110032490A (zh) * 2018-12-28 2019-07-19 中国银联股份有限公司 用于检测系统异常的方法及其装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506637A (zh) * 2020-06-17 2020-08-07 北京必示科技有限公司 一种基于kpi指标的多维异常检测方法、装置及存储介质
CN111767202A (zh) * 2020-07-08 2020-10-13 中国工商银行股份有限公司 异常检测方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
US10585774B2 (en) Detection of misbehaving components for large scale distributed systems
US8719791B1 (en) Display of aggregated stack traces in a source code viewer
US10318595B2 (en) Analytics based on pipes programming model
US9003076B2 (en) Identifying anomalies in original metrics of a system
US9128832B2 (en) Performing diagnostic tracing of an executing application to identify suspicious pointer values
US8954928B2 (en) Version labeling in a version control system
CN102708043B (zh) 静态数据竞争检测和分析
KR101969623B1 (ko) 병렬 검출과 추적, 및/또는 그룹화된 피처 모션 시프트 추적을 이용한 얼굴 인식
CN105074656B (zh) 管理并发谓词表达式的方法和装置
CN110516811B (zh) 一种量子态确定方法、装置、设备和存储介质
CN110427278A (zh) 异常检测方法和装置
US20170244595A1 (en) Dynamic data collection profile configuration
US9811447B2 (en) Generating a fingerprint representing a response of an application to a simulation of a fault of an external service
US9430313B2 (en) Generation of debugging log list in a blade server environment
US20120054724A1 (en) Incremental static analysis
US20150220733A1 (en) Apparatus and method for detecting a malicious code based on collecting event information
US9697102B2 (en) Compare concurrent threads executions
US9037916B2 (en) Dynamic concolic execution of an application
CN104424035B (zh) 用于对存储访问频率的间歇采样的方法和系统
CN111367750B (zh) 一种异常处理方法、装置及其设备
US20140007243A1 (en) Static analysis for discovery of timing attack vulnerabilities in a computer software application
US10261945B1 (en) Systems and methods for storing and accessing monitoring data
CN107665258A (zh) 文件系统可用性确定方法及装置
US11574695B1 (en) Logic built-in self-test of an electronic circuit
US20220335045A1 (en) Composite event estimation through temporal logic

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination